import pandas as pd
import numpy as np
import joblib
import json
import random

# ==========================================
# 1. 模拟 LLM 接口 (Mock Agent)
# ==========================================
def mock_llm_generate(prompt):
    """
    模拟 LLM 的生成过程。
    在实际应用中，这里会调用 OpenAI/Anthropic/DeepSeek 的 API。
    """
    # 从 Prompt 中提取关键信息来生成“假”的智能回复
    # 这里我们用简单的规则来模拟 LLM 的“思考”
    
    # 提取意向度 (从 Prompt 文本中查找)
    import re
    # 匹配 "预测模型判定该客户订阅定存的概率为: 78.5%" 这种格式
    prob_match = re.search(r"预测模型判定该客户订阅定存的概率为:\s*([\d\.]+)%", prompt)
    prob = float(prob_match.group(1)) if prob_match else 0
    
    # 模拟 LLM 根据概率生成的建议
    if prob > 70:
        strategy = "VIP 专属服务"
        action = "资深理财经理致电"
        script = "您好，鉴于您良好的信用记录，我们为您预留了一款高收益理财产品..."
        reason = "客户属于高意向群体，且过往活动反馈良好。"
    elif prob > 40:
        strategy = "标准营销"
        action = "普通客服致电或短信触达"
        script = "您好，我行近期推出了几款稳健型存款产品，占用您一分钟..."
        reason = "客户意向中等，建议通过低成本渠道试探。"
    else:
        strategy = "静默观察"
        action = "发送月度邮件"
        script = "(邮件内容) 本月财经摘要..."
        reason = "客户意向较低，频繁打扰可能导致反感。"

    # 构造 JSON 输出
    response = {
        "customer_id": "Unknown", # 实际中会从 Context 获取
        "analysis": {
            "score": prob,
            "segment": strategy
        },
        "action_plan": {
            "primary_action": action,
            "backup_action": "记录反馈并更新标签",
            "suggested_script": script
        },
        "reasoning": reason
    }
    
    return json.dumps(response, ensure_ascii=False, indent=2)

# ==========================================
# 2. Agent 核心类
# ==========================================
class MarketingAgent:
    def __init__(self, artifact_path='model_artifacts.pkl'):
        print(f"Agent 正在加载模型资产: {artifact_path} ...")
        self.artifacts = joblib.load(artifact_path)
        self.model = self.artifacts['model']
        self.encoders = self.artifacts['encoders']
        self.feature_meta = self.artifacts['feature_meta']
        
    def preprocess(self, customer_data):
        """将原始字典数据转换为模型可接受的 DataFrame"""
        # 创建 DataFrame
        df = pd.DataFrame([customer_data])
        
        # 移除 duration (如果存在)
        if 'duration' in df.columns:
            df = df.drop('duration', axis=1)
            
        # 编码分类特征
        for col, le in self.encoders.items():
            if col in df.columns:
                # 处理未知类别: 如果遇到训练集没见过的类别，设为出现最多的那个或报错
                # 这里简单处理：如果遇到未知，就用 transform 的第一个类别 (仅作演示)
                try:
                    df[col] = le.transform(df[col])
                except ValueError:
                    # 遇到未知标签，使用众数填充或标记为 -1 (取决于模型训练时是否处理了未知)
                    # 这里为了演示不报错，我们假设数据是干净的，或者直接填 0
                    df[col] = 0 
                    
        # 确保列顺序一致
        # 注意：XGBoost 可能会报错如果列顺序不对，最好重新索引
        # 这里假设 feature_meta['all_cols'] 保存了训练时的特征顺序
        df = df[self.feature_meta['all_cols']]
        
        return df

    def analyze_customer(self, customer_data):
        """
        Agent 的主工作流：
        1. 感知 (Perception): 接收数据，进行预处理。
        2. 思考 (Cognition - Model): 调用 ML 模型预测概率。
        3. 规划 (Planning - LLM): 构建 Prompt，调用 LLM 生成建议。
        4. 行动 (Action): 输出结构化建议。
        """
        # 1. 预处理
        X_input = self.preprocess(customer_data)
        
        # 2. 模型预测
        prob = self.model.predict_proba(X_input)[0][1] # 获取属于类别 1 (yes) 的概率
        prob_percent = round(prob * 100, 2)
        
        # 获取特征重要性高的特征值，放入 Prompt (简单逻辑：列出所有特征)
        # 实际中可以结合 SHAP 值只列出 Top 3 贡献特征
        feature_desc = ", ".join([f"{k}={v}" for k, v in customer_data.items() if k != 'duration'])
        
        # 3. 构建 Prompt
        # 这是一个 "Prompt Engineering" 的过程
        system_prompt = """你是一个专业的银行营销决策 Agent。请根据客户数据和预测模型的结果，给出具体的执行建议。
要求输出必须是 JSON 格式。"""
        
        user_prompt = f"""
        【输入数据】
        客户特征: {feature_desc}
        
        【模型分析】
        预测模型判定该客户订阅定存的概率为: {prob_percent}%
        
        【业务规则库】
        - 概率 > 70%: 高价值，高优先级，人工介入。
        - 概率 40%-70%: 潜在价值，自动化营销 + 人工辅助。
        - 概率 < 40%: 低价值，仅自动化触达。
        
        【任务】
        请基于以上信息，生成该客户的营销建议 JSON，包含：
        - 客户分群 (segment)
        - 推荐行动 (primary_action)
        - 话术建议 (suggested_script)
        - 决策依据 (reasoning)
        """
        
        print(f"\n--- Agent 正在思考 (构建 Prompt) ---\n[Prompt 摘要] 预测概率: {prob_percent}%")
        
        # 4. 调用 LLM (模拟)
        # 在真实场景中：response = openai.ChatCompletion.create(...)
        llm_response = mock_llm_generate(user_prompt)
        
        return json.loads(llm_response)

# ==========================================
# 3. 运行演示
# ==========================================
if __name__ == "__main__":
    # 加载原始数据取样
    df_raw = pd.read_csv('bank.csv')
    
    # 实例化 Agent
    agent = MarketingAgent()
    
    print("\n" + "="*50)
    print("开始模拟业务流程...")
    print("="*50)
    
    # 随机抽取 3 个客户进行模拟
    sample_indices = [1, 20, 100] 
    
    # 构造一个高意向客户 (VIP 模拟)
    # 基于特征重要性: poutcome=success (最重要), contact=cellular, housing=no, balance=high
    vip_customer = {
        'age': 35,
        'job': 'management',
        'marital': 'married',
        'education': 'tertiary',
        'default': 'no',
        'balance': 5000,
        'housing': 'no',
        'loan': 'no',
        'contact': 'cellular',
        'day': 15,
        'month': 'oct',
        'duration': 0, # 会被移除
        'campaign': 1,
        'pdays': 90,
        'previous': 2,
        'poutcome': 'success', # 强特征
        'deposit': 'yes' # 仅用于展示
    }
    
    # 将 VIP 客户加入测试列表 (使用特殊的 -1 索引标记)
    test_cases = [(i, df_raw.iloc[i].to_dict()) for i in sample_indices]
    test_cases.append((-1, vip_customer))

    for idx, customer_dict in test_cases:
        # 移除结果列 'deposit'，模拟这是新客户
        if 'deposit' in customer_dict:
            real_result = customer_dict.pop('deposit')
        else:
            real_result = "Unknown"
        
        if idx == -1:
            print(f"\n>>> 处理客户 ID: VIP-Demo (人工构造的高意向客户)")
        else:
            print(f"\n>>> 处理客户 ID: {idx}")
            
        print(f"真实结果 (仅供参考): {real_result}")
        
        # Agent 工作
        decision = agent.analyze_customer(customer_dict)
        
        # 打印结果
        print("\n[Agent 最终建议]")
        print(json.dumps(decision, ensure_ascii=False, indent=2))
        print("-" * 30)